各种新型无线业务的不断涌现导致无线通信的数据流量呈爆炸式增长,促进了第五代移动通信系统(The Fifth Generation Mobile Communication System,5G)的发展。由于频谱资源稀缺性的限制,频谱共享成为5G的关键技术之一,可以满足5G高容量、高频谱利用率等性能指标。但是由于典型的超密集5G应用场景中存在干扰、信道有效分配等无线资源管理问题,频谱共享网络的应用仍存在很大的挑战,故本文针对频谱共享网络的动态资源管理问题展开了一系列的研究。针对频谱共享网络中多个次用户(Secondary User,SU)对主用户(Primary User,PU)产生的累积干扰问题,为更好地保护主用户,本文提出一种基于神经网络的累积干扰预测算法。该算法适用于复杂的无线网络环境,可以在未知无线环境参数(如路径损耗系数等)的情况下,通过训练历史数据对用户的状态参数信息和累积干扰之间的函数关系进行建模。本文还进一步地分析了影响累积干扰预测准确性的主要因素,包括输入层输入参数的数量、输入参数的表示形式以及隐藏层节点的数量。针对频谱共享网络次用户间的频谱资源分配问题,首先,本文提出一种基于干扰重叠图的主信道分配方案。该方案在构建干扰重叠图时,考虑到了终端用户设备的实际状态,且为保证主信道分配的有效性,以对整个网络所受干扰的变化量尽可能小为目标,提出干扰重叠图中边调整的方法。其中,提出四种新参数作为调整边的依据:顶点覆盖重叠区域内用户终端设备的信干噪比及其裕量、顶点覆盖重叠区域内用户终端设备数量或密度、顶点内无线接入基站的数量以及顶点内受影响的基站所占比例。另外,针对次用户间的频谱资源分配问题,本文还提出一种基于机器学习的扩展信道分配算法,适用于基站负载动态变化的场景。基站可根据自身的频谱需求,利用多臂老虎机(Multi-Armed Bandits,MAB)算法进行频谱扩展,该算法可减少基站的测量开销以及系统间的信息交互开销。本文在算法中还引入了“冲突调节因子”,用以减少多个扩展信道请求发生冲突的概率。最后,本文利用MATLAB仿真工具对上述所提的针对频谱共享网络的解决方案进行了可行性及有效性的验证。并利用多方面的仿真结果对算法中的性能指标进行了深入的分析。